資訊專欄INFORMATION COLUMN
此篇文章主要是給大家介紹了caffe的python插口制作loss和accuracy曲線圖實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪
前言
使用python插口來運行caffe程序流程，根本原因是python很容易數(shù)據(jù)可視化。所以才建議大家在cmd下邊運行python程序流程。如果一定要在cmd下邊運作，不如直接用c++算了。
強烈推薦使用jupyternotebook，spyder等設(shè)備來運行python編碼，這樣也和它數(shù)據(jù)可視化完美融合在一起。
anaconda庫
我屬于用anaconda來組裝一連串python三方庫的，因此我所使用的是spyder,與matlab頁面類似的這款在線編輯器，在運行中，可以看一下各自變量數(shù)值，有利于了解，如下圖所示：
只要安裝了anaconda，運行方式也非常方便，直接在終端輸入spyder命令就可以了。
python接口實現(xiàn)
在caffe的訓(xùn)練過程中，我們?nèi)绻胫滥硞€階段的loss值和accuracy值，并用圖表畫出來，用python接口就對了。
#-*-coding:utf-8-*-
"""
Created on Tue Jul 19 16:22:22 2016
author:root
"""
import matplotlib.pyplot as plt
import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
#使用SGDSolver，即隨機梯度下降算法
solver=caffe.SGDSolver('/home/xxx/mnist/solver.prototxt')
#等價于solver文件中的max_iter，即最大解算次數(shù)
niter=9380
#每隔100次收集一次數(shù)據(jù)
display=100
#每次測試進行100次解算，10000/100
test_iter=100
#每500次訓(xùn)練進行一次測試（100次解算），60000/64
test_interval=938
#初始化
train_loss=zeros(ceil(niter*1.0/display))
test_loss=zeros(ceil(niter*1.0/test_interval))
test_acc=zeros(ceil(niter*1.0/test_interval))
#iteration 0，不計入
solver.step(1)
#輔助變量
_train_loss=0;_test_loss=0;_accuracy=0
#進行解算
for it in range(niter):
#進行一次解算
solver.step(1)
#每迭代一次，訓(xùn)練batch_size張圖片
_train_loss+=solver.net.blobs['SoftmaxWithLoss1'].data
if it%display==0:
#計算平均train loss
train_loss[it//display]=_train_loss/display
_train_loss=0
if it%test_interval==0:
for test_it in range(test_iter):
#進行一次測試
solver.test_nets[0].forward()
#計算test loss
_test_loss+=solver.test_nets[0].blobs['SoftmaxWithLoss1'].data
#計算test accuracy
_accuracy+=solver.test_nets[0].blobs['Accuracy1'].data
#計算平均test loss
test_loss[it/test_interval]=_test_loss/test_iter
#計算平均test accuracy
test_acc[it/test_interval]=_accuracy/test_iter
_test_loss=0
_accuracy=0
#繪制train loss、test loss和accuracy曲線
print'nplot the train loss and test accuracyn'
_,ax1=plt.subplots()
ax2=ax1.twinx()
#train loss->綠色
ax1.plot(display*arange(len(train_loss)),train_loss,'g')
#test loss->黃色
ax1.plot(test_interval*arange(len(test_loss)),test_loss,'y')
#test accuracy->紅色
ax2.plot(test_interval*arange(len(test_acc)),test_acc,'r')
ax1.set_xlabel('iteration')
ax1.set_ylabel('loss')
ax2.set_ylabel('accuracy')
plt.show()最后生成的圖表在上圖中已經(jīng)顯示出來了。
綜上所述，這篇文章就給大家解答完畢了，希望可以給大家?guī)韼椭?/p>
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://www.ezyhdfw.cn/yun/128756.html
此篇文章主要是詳細介紹了caffe的python插口形成環(huán)境變量學(xué)習(xí)培訓(xùn)，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 caffe是C++語言表達所寫的，可能大家不太熟，所以想要更方便的編程語言來達到。caffe給予matlab接口和python插口，這幾種語言表達就比較簡單，并且很容易開展數(shù)據(jù)可視化，導(dǎo)致學(xué)習(xí)培訓(xùn)更為迅速，了解更加深刻?！ ∫荒昵?，我在...
文中主要是給大家介紹了caffe的python插口之手寫數(shù)字識別mnist案例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 論文引言 機器學(xué)習(xí)第一個案例一般都是是mnist，只需這個案例徹底搞懂了，其他的便是觸類旁通的事了。因為字數(shù)緣故，文中不簡單介紹環(huán)境變量里邊每一個指標的具體函義，如果要搞明白的，請參考我之前的微博文章： 數(shù)據(jù)訪問層及主...
本文主要是給大家介紹了caffe的python插口生成deploy文件學(xué)習(xí)培訓(xùn)及其用練習(xí)好一點的實體模型（caffemodel）來歸類新的圖片實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 caffe的python插口生成deploy文件 假如要將練習(xí)好一點的實體模型用于檢測新的圖片，那必然必須得一個deploy.prototxt文件，這一...
小編寫這篇文章的一個主要目的，主要是給大家做一個詳細的介紹，介紹的內(nèi)容主要是利用Python知識，利用Python去實現(xiàn)RNN與堆疊的RNN，具體的實例代碼，下面就給大家詳細的去做一個解答?！ ?、雙向RNN 雙向RNN(Bidirectional RNN)的結(jié)構(gòu)如下圖所示?！ ? 雙向的RNN是同時考慮過去和未來的信息。上圖是一個序列長度為4的雙向RNN結(jié)構(gòu)?！ ‰p向RNN就像是我們做閱...
本文主要是給大家介紹了caffe的python插口形成solver文件詳細說明學(xué)習(xí)培訓(xùn)實例，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的不斷進步，盡早漲薪 也有一些基本參數(shù)必須計算出來的，并不是亂設(shè)定?！ olver.prototxt的文件參數(shù)設(shè)置 caffe在訓(xùn)練的時候，需要一些參數(shù)設(shè)置，我們一般將這些參數(shù)設(shè)置在一個叫solver.prototxt的文件里面，如...
閱讀 1170·2023-01-14 11:38
閱讀 1160·2023-01-14 11:04
閱讀 987·2023-01-14 10:48
閱讀 2538·2023-01-14 10:34
閱讀 1241·2023-01-14 10:24
閱讀 1124·2023-01-14 10:18
閱讀 736·2023-01-14 10:09
閱讀 818·2023-01-14 10:02
